Critical Role of Secondary Organic Aerosol in Urban Atmospheric Visibility Improvement Identified by Machine Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Understanding the relationship between atmospheric visibility and aerosol emission sources and identifying the key drivers of visibility have significant implications for the radiative forcing of aerosol. In this work, we combined the positive matrix factorization (PMF) model and machine learning (ML) models (the extreme gradient boosting model (XGBoost) and the Shapely additive explanations model (SHAP)) to identify the key drivers of visibility improvement based on long-term observations of visibility and PM 2.5 composition in Shenzhen, China. From 2014 to 2021, the annual average levels of visibility increased from 17.2 to 27.0 km, which is tightly associated with the decreasing year by year PM 2.5 concentrations. ML models, with distinct advantages in dealing with nonlinear relationships, revealed that secondary organic aerosol (SOA) is the major driver determining visibility, which is inconsistent with inorganic salts being the major driver identified by the widely used traditional linear method. Visibility improvement in Shenzhen was also found primarily driven by a decrease in SOA, highlighting that SOA in PM 2.5 plays a critical role in radiative balance. This is the first study to investigate source impacts on atmospheric visibility using novel ML models, reflecting the great potential of ML methods in air pollution data analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle